| Joint analysis of multimodal data in epilepsy (Analyse conjointe de données multimodales en épilepsie) Joud, Carla - (2025-12-12) / Université de Rennes, Rennes Joint analysis of multimodal data in epilepsy
| |||
Langue : Anglais Directeur(s) de thèse: Albera, Laurent; Coloigner, Julie Discipline : Signal, image, vision Laboratoire : Laboratoire de Traitement du Signal et de l'Image Ecole Doctorale : MATISSE Classification : Sciences de l'ingénieur, Médecine et santé Mots-clés : EEG, localisation de sources, problème inverse, méthodes des sous-espaces, régularisation, connectivité structurelle
| |||
Résumé : L’épilepsie est l’une des maladies neurologiques les plus fréquentes, et près d’un tiers des patients sont résistants aux traitements médicamenteux, nécessitant une intervention chirurgicale pour retirer les zones cérébrales à l’origine des crises. La localisation de ces zones épileptogènes repose sur la résolution d’un problème inverse mal posé, nécessitant l’ajout de contraintes pour obtenir une solution stable. Parmi les approches existantes, les méthodes de localisation de sources basées sur les sous-espaces, telles que MUSIC, échouent lorsque les sources sont corrélées, une situation fréquente dans l’épilepsie. Cette thèse propose un cadre unifié de régularisation intégrant la métrique sous-espaces comme terme d’attache aux données dans un problème d’optimisation. Différentes contraintes ont été explorées pour mieux approcher la réalité physiologique des sources épileptiques : la parcimonie pour traiter les corrélations entre sources, la continuité spatiale pour modéliser les sources étendues, et l’intégration d’informations structurelles issues de l’IRM de diffusion. Enfin, des extensions méthodologiques ont été proposées, notamment l’usage de statistiques d’ordre supérieur et une stratégie séquentielle de recherche de sources, afin d’améliorer la robustesse et la précision de la localisation. Abstract : Epilepsy is one of the most common neurological disorders, with nearly one-third of patients resistant to medication and requiring surgical removal of the brain regions responsible for seizures. Localizing these epileptogenic zones involves solving an ill-posed inverse problem that requires additional constraints for a stable solution. Among existing methods, subspace-based source localization approaches, such as MUSIC, fail when sources are correlated, a frequent scenario in epilepsy. This thesis introduces a unified regularization framework that embeds the subspace metric as a data-fit term within an optimization problem. Several constraints were investigated to better reflect the physiological nature of epileptic sources: sparsity to handle correlated sources, spatial smoothness to model extended cortical sources, and structural connectivity priors derived from diffusion MRI. Finally, methodological extensions were proposed, including the use of higher-order statistics and a sequential source estimation strategy, to enhance robustness and localization accuracy. | |||